论文总字数：17954字

摘 要

在如今生活中，人的脸部表情和特征可以真实有效地反映人的内心情绪的变化，也是最直接，最明显的表达方式。当人的内心发生了情感的变化或者情绪的波动时，常常通过人脸来进行情感的抒发和表达，展示个人的内心情绪和态度，并以此相互交流。跟随着计算机视觉技术的向前发展，人脸检测和识别也就随之变成了模式识别领域的一个新的热点话题。在最近几年里，国内外学者通常采用AdaBoost算法进行人脸检测，在人脸识别之前，前先进行灰度化和均衡预处理来改善图片的质量和计算机的运算速度。采用基于Haar特征提取的级联分类器，对图片中是否含有人脸进行分类，检测出人脸在图片中的区域。采用LBPH算法作为人脸匹配的算法，先将人脸库中已经采集到的人脸图片进行LBP特征提取后进行训练，训练完之后得到训练模型。然后把之前从图像中检测到的人脸区域划分成许多更小的模块，提取特征后进行统计产生许多小的直方图，然后与模型中相对应区域的直方图进行比较，完成人脸的识别。然后经由上述步骤，完成为了一个简略的人脸识别系统，实现人脸识别功能。

关键词：人脸识别；Haar特征；AdaBoost算法；LBPH算法

Abstract

In today's life, people's facial expressions and features can truly and effectively reflect the changes of people's inner emotions,and it is also the most direct and obvious way of expression. When people's inner feelings change or fluctuate, they often express their feelings by face, show their inner feelings and attitudes, and communicate with each other. With the development of computer vision technology, face detection and recognition has become a new hot topic in the field of pattern recognition. In recent years, domestic and foreign scholars usually use AdaBoost algorithm for face detection. Before face recognition, gray-scale and balanced preprocessing are carried out to improve the image quality and computer operation speed. A cascade classifier based on Haar feature extraction is used to classify whether there is a face in the picture and detect the area of the face in the picture. Lbph algorithm is used as the algorithm of face matching. Firstly, LBP features are extracted from the collected face images in the database, and then the training model is obtained after the training. Then, the face region detected from the image is divided into many smaller modules. After extracting features, many small histograms are generated by statistics, and then compared with the histograms of corresponding regions in the model to complete face recognition. Then through the above process to complete a simple face recognition system, realize the function of face recognition.

Key Words：Face recognition；Haar features；AdaBoost algorithm；LBPH algorithm

目 录

第1章 绪论 1

1.1 课题背景及意义 1

1.2 国内外研究现状 1

1.2.1 国内研究现状 1

1.2.2 国外研究状况 1

1.3 课题研究内容和技术路线 2

1.4 预期目标 2

第2章 人脸检测研究 3

2.1 Haar特征原理研究 3

2.1.1 Haar特征值 3

2.1.2 积分图 4

2.2 Adaboost算法研究 5

2.3 本章小节 6

第3章 人脸图像预处理研究 7

3.1 灰度变换研究 7

3.2 滤波去噪研究 7

3.3 尺寸归一化 8

3.4 本章小节 8

第4章 人脸图像特征提取研究 9

4.1 LBP算法研究 9

4.1.1 圆形滤波计算模型 9

4.1.2 图像旋转不变性 10

4.2 LBPH算法研究 11

4.3 本章小节 11

第5章 人脸图像特征匹配研究 12

5.1 特征匹配 12

5.2 本章小节 13

第6章 实验结果及分析 14

6.1 人脸检测模块 14

6.1.1 静态图像人脸检测 14

6.1.2 视频人脸检测 14

6.2 人脸采集模块 14

6.3 人脸识别模块 15

6.3.1 静态图片人脸识别 15

6.3.2 视频人脸识别 16

6.4 本章小节 16

第7章 总结与展望 17

致谢 18

参考文献 19

第1章 绪论

1.1 课题背景及意义

在如今日新月异的社会中，人们对生活“高效性、安全性、便捷性”的需求日益提升。随着计算机科技和模式识别的飞速发展,安全保障成为了一个热门话题，尤其是人身安全和财产安全的保障。为了让生活更加便捷和安全，计算机技术在人们日常生活中扮演着不可或缺的角色。

其中机器视觉的开发和应用成为许多学者研究的焦点。在机器视觉领域里,人脸识别是模式识别中一个重要的应用范畴，普遍存在于生活中的各个行业和领域。在金融安全领域，可以利用人脸识别在交易或资金操作环节对操作人进行身份的验证，确保操作的安全性。在公共安全方面，可以采用具有人脸识别的安防设备，经由监控对在逃犯罪嫌疑人进行辨认和跟踪，确保公共安全。在证件检验领域，可以利用人脸识别杜绝虚假证件的使用，避免非法出入境、替考等违法行为。随着技术的成熟和相关法律的完善，人脸识别技术将被应用于更多的生活领域，为居民带来更多安全和便捷的服务。

1.2 国内外研究现状

1.2.1 国内研究现状

面部识别技术自19世纪60年代以来一直是国内外学者关注的焦点，这是一种基于人脸表征信息的生物识别技术。国内学者提出以几何结构为基础，以面部特殊点为基础的方法在1990年代初期作为面部的基本特征。21世纪初，石跃祥，蔡自兴等对主成分分析方法(PCA)进行了改进，并将线性判别方法应用于人脸识别领域^[1]。类似地，相关学者也使用了二维线性判别技术。随着机器学习理论的发展，有不少学者采取BP人工神经网络算法进行人脸识别研究。当然，有层出不穷的学术期刊采用支持向量机，LBP，流行学习等方法研究人脸识别技术。随着技术的发展，越来越多学者使用深度学习的算法来探索人脸识别技术。

1.2.2 国外研究状况

国外学者在人脸识别的研究范畴，通常采用人脸的特征提取与深度学习相结合进行人脸识别。人脸部的特征提取也就成为了人脸识别的关键因素。从基于几何方法的特征提取到基于深度学习方法的特征提取是国际上人脸识别技术的持续改进。深度学习理论的出现在人脸识别方面取得了突破性进展，包括经典算法（例如卷积神经网络和稀疏表示）。例如，Melek M.等人研究了基于稀疏表示的面部识别方法，旨在通过新技术提高面部识别的准确性^[2]。

1.3 课题研究内容和技术路线

本论文的主要从人脸识别系统的设计和实现角度进行探究。人脸识别实质的过程主要包括四个步骤：人脸图像采集与面部检测、人脸图像预处理、人脸图像的特征提取和人脸图像的匹配与识别^[3]。

在人脸检测部分，本文采用Haar^{[4 5]}特征进行人脸的特征提取。然后经由积分图对Haar特征的求值运算步骤进行优化，加快计算速率。采用集成学习中的AdaBoost^{[6 7 8]}算法训练能够辨认出是否存在人脸的分类器。然后将所有分类器进行筛选式级联，达到人脸检测的效果。

在人脸图像预处理部分，先对彩色图像进行灰度化处理，即把彩色图像变换成灰度图，然后对灰度图进行灰度变换，调和光线不均问题，最后裁剪出人脸区域并统一尺寸，这样能去除不相关的因素，改善人脸图像的质量和加快人脸识别过程中计算机的运算速度。

在面部图像的特征提取部分，利用LBP^{[9 10]}特征提取算法进行特征提取，将已经进行LBP特征提取的图像划分成许多小区域，然后计算出这些区域的统计直方图，最后将这些局部直方图进行串连，形成全局统计直方图，也就是LBPH特征。

在人脸图像匹配过程中，相似程度是衡量待识别人脸图像与人脸库中人脸的训练模型之间的差距，其中，值为0表示完全匹配。在LBPH算法中，一个好的识别，置信度要低于50，任何高于80的置信度都会被认为是低的置信度评分。

1.4 预期目标

运用opencv给出的haar特征数据进行人脸检测，采用LBP特征提取算法进行人脸识别。实现一个简单的人脸识别系统，其中包含人脸图像的录入模块，可以将人脸数据按照姓名自动保存到本地，建立人脸库；人脸检测模块，可以检测出静态图片和视频中人脸的位置；人脸识别模块，可以识别和标出出静态图片和视频中人脸的身份，并保证一定范围内的准确性。

第2章 人脸检测研究

对指定的待识别图像进行人脸检测是系统设计中的基础功能模块和重要组成部分，是面部识别的前置条件和基础。人脸检测就是从给定的图像中找到所有的人脸的位置，然后在人脸所在的区域画出矩形框进行标注，去除和人脸识别不相关的背景区域，为后面的人脸识别提供准确、有效的人脸数据。研究计算机的人脸检测就是研究计算机如何推断人脸是否存在于所给定的图片中，如果人脸存在于给定的图片中，就精确地找出人脸在图片中的坐标位置。如今很多高校学者和科研人员都关注人脸检测这一领域，随着研究的深入，人脸检测算法的提出和改进也层出不穷。现在研究人脸检测的方法可划分成两大类：基于人脸特征的检测方式和基于统计学的检测方式。

基于面部特征的人脸检测方法主要依据先于经验的知识，将人脸视为器官特征的结合，并根依据眉毛、双眼、胡须、鼻梁、嘴唇等面部器官的特征通过它们在图像中的位置关系来辨别是否为人脸。常用的方式包含模板匹配、人脸特征、形状和边缘、纹理特征、颜色特征等^[11]。

基于统计学的人脸检测方法就是将人脸数据当成一个完整的模型，即一个二维像素矩阵。从统计学的层面来看，一个人脸模型空间需要大量的面部图像样本进行构建，然后使用匹配性程度作为判断人脸是否存在的标准。常用的方法包括主成分分析，支持向量机，神经网络，隐马尔可夫模型，Adaboost算法等^[12]。

请支付后下载全文，论文总字数：17954字

相关图片展示：